matlab進行支援向量機（SVM）模型訓練,Libsvm進行svm模型訓練詳解
阿新 • • 發佈：2019-01-05
在matlab中進行SVM模型訓練，通常有兩種選擇：
注意：
a、如果matlab安裝了LibSVM，在使用matlab自帶的SVM時，需要進行搜尋路徑重新設定
路徑重新設定方法：在matlab軟體主視窗中【主頁】--【設定路徑】移除所有與libsvm相關的路徑。
(需要時，再新增即可)
採用matlab自帶的SVM，其主要用到的兩個函式訓練SVM模型函式 svmtrain();分類函式 svmclassify()
二、安裝libsvm-3.11版本
採用libsvm，其主要用到的兩個函式訓練libsvm模型函式 svmtrain()；預測函式svmpredict();
下面用經典Iris資料集進行分類為例，進行講解
注意：
由於matlab自帶的模型訓練函式和libsvm模型訓練函式名稱是一樣的，為了防止使用中混亂出錯，需要設定好路徑。
安裝了libsvm，如果想再退回使用matlab自帶的svm，將libsvm路徑刪除即可。如果想再使用libsvm，再新增即
注意：
a、如果matlab安裝了LibSVM，在使用matlab自帶的SVM時，需要進行搜尋路徑重新設定
路徑重新設定方法：在matlab軟體主視窗中【主頁】--【設定路徑】移除所有與libsvm相關的路徑。
(需要時，再新增即可)
b、MATLAB2014a （64bit）建議安裝libsvm-3.11版本，實測其它版本會有各種各樣的問題
一、matlab自帶的SVM進行模型訓練採用matlab自帶的SVM，其主要用到的兩個函式訓練SVM模型函式 svmtrain();分類函式 svmclassify()
下面用經典Iris資料集進行分類為例，進行講解
clear; clc; %% % %載入資料，Iris資料下載地址 http://archive.ics.uci.edu/ml/index.php data=load('C:\Desktop\DeepLearningFloder\IrisSet.txt'); label = [zeros(50,1);ones(50,1)]; %% train_data = [data(1:25,1:2);data(51:75,1:2)]; train_label = [label(1:25,1);label(51:75,1)]; test_data = [data(26:50,1:2);data(76:100,1:2)]; test_label = [label(26:50,1);label(76:100,1)]; %% 建立模型並預測 採用matlab自帶的 SVMSVMStruct=svmtrain(train_data,train_label,'showplot',true) %注意matlab自帶的svm視覺化只能2-D顯示 Group=svmclassify(SVMStruct,test_data,'showplot',true); fprintf('使用svmclassify，正確率：%f\n' ,sum(Group==test_label)/size(test_label,1)); %計算正確率
二、安裝libsvm-3.11版本
採用libsvm，其主要用到的兩個函式訓練libsvm模型函式 svmtrain()；預測函式svmpredict();
下面用經典Iris資料集進行分類為例，進行講解
load iris_new.data iris_train_label=iris_new([1:40 51:90 101:140],end);%每類取40個數據作為訓練，共120個訓練資料 iris_train_data=iris_new([1:40 51:90 101:140],1:end-1); iris_test_label=iris_new([41:50 91:100 141:150],end);%每類取10個數據作為測試，共30個測試資料 iris_test_data=iris_new([41:50 91:100 141:150],1:end-1); model=svmtrain(iris_train_label,iris_train_data); [iris_predict_label,iris_accuracy]=svmpredict(iris_test_label,iris_test_data,model);
注意：
由於matlab自帶的模型訓練函式和libsvm模型訓練函式名稱是一樣的，為了防止使用中混亂出錯，需要設定好路徑。
安裝了libsvm，如果想再退回使用matlab自帶的svm，將libsvm路徑刪除即可。如果想再使用libsvm，再新增即